Estimasi Kalori Pada Citra Makanan Berbasis Deep Learning

Istiqomah, Afifah (2021) Estimasi Kalori Pada Citra Makanan Berbasis Deep Learning. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
07211640000014-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only

Download (8MB) | Request a copy

Abstract

Obesitas adalah suatu keadaan dimana terjadi penumpukan lemak tubuh yang berlebih sehingga berat badan seseorang jauh di atas normal. Seseorang dianggap menderita kegemukan (obese) bila indeks massa tubuh (IMT), lebih dari 30. Penyebab utama obesitas adalah ketidakseimbangan jumlah kalori yang masuk dan energi yang dibutuhkan oleh tubuh. Umumnya, penderita obesitas memiliki kesulitan dalam memperkirakan jumlah asupan makanan karena mereka kekurangan informasi terkait kandungan gizi dari makanan yang dikonsumsi. Selain itu, penghitungan kalori secara manual dirasa kurang efektif karena makanan perlu ditimbang satu persatu sesuai jenisnya sebelum penghitungan kalori dilakukan. Oleh karena itu dibutuhkan suatu sistem yang dapat melakukan penghitungan kalori secara efektif sehingga dapat membantu penderita obesitas dalam proses penurunan berat badan. Dalam beberapa tahun terakhir machine learning dan deep learning semakin banyak diterapkan di berbagai bidang untuk mempermudah manusia dalam melakukan kegiatan sehari-hari. Pada penelitian ini, deep learning akan digunakan untuk estimasi kalori pada citra makanan. Mask R-CNN digunakan sebagai metode deteksi dan segmentasi objek pada gambar, selanjutnya model Mask R-CNN diimplemntasikan pada aplikasi mobile. Aplikasi yang dibuat dapat menampilkan total kalori dari gambar makanan. Jenis makanan yang dapat diketahui nilai estimasi kalorinya, dipilih dari daftar makanan pada dataset UNIMIB2016. Dari hasil pengujian, didapatkan nilai akurasi estimasi kalori terbaik yaitu 100% untuk kategori bayam dan nilai akurasi terendah yaitu daging tumis iris tipis dengan akurasi 73%. ==================================================================================================================== Obesity is a condition where a person's weight above normal due to accumulation of excess body fat. Someone is considered obeses if the body mass index (BMI) is more than 30. The main cause of obesity is the imbalance of consumed calorie and the energy that needed by the body. Generally, obese people have difficulty in estimating the amount of food intake because they lack information about nutritional content of the food they consumed. In additon, calculating calories manually is ineffective beacuse food needs to be weighed one by one according to its type before count the calories. Therefore we need a system that can calculate calories effectively so that it can help obese people in the weight loss process. In recent years, machine learning and deep learning are being applied in various field to help people in their daily activites. In this research, deep learning will be used to estimate calories in food images. Mask R-CNN is used as a method of detection and object segmentation in images, then the Mask R-CNN model is implemented in a mobile application. Applications that created can display the total calories from food images. The type of food which the estimated caloric value can be determined is selected from the food list in the UNIMIB2016 dataset. From the test results, obtaibed the best calorie estimation accuracy value of 100% for the spinach category and the lowest accuracy value for thinly sliced sauteed meat with an accuracy of 73%.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Obesitas, Kalori, Deep Learning, Mask R-CNN, Obesity, Calories
Subjects: Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
T Technology > T Technology (General)
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User: Afifah Istiqomah
Date Deposited: 10 Mar 2021 03:21
Last Modified: 10 Mar 2021 03:21
URI: https://repository.its.ac.id/id/eprint/84021

Actions (login required)

View Item View Item